LoMix：面向医学图像分割的可学习加权多尺度Logits混合

U型网络在不同空间尺度上输出logits，每个logits捕获不同粗糙上下文与细节的不同组合。然而，训练仍将这些logits孤立地处理——要么仅监督最终最高分辨率的logits，要么对所有尺度上的logits应用相同损失权重的深度监督——而未探索混合尺度组合。因此，解码器输出缺失了只有当粗糙预测与细粒预测融合时才能出现的互补线索。为此，我们引入LoMix（Logits混合），一个受NAS启发、可微可插即用的模块，生成新的混合尺度输出并学习如何精确指导每个输出的训练过程。更准确地说，LoMix以四种轻量级融合算子混合多尺度解码器logits：加法、乘法、拼接和注意力加权融合，产生丰富的合成突变图。每个原始或突变图被赋予软plus损失权重，与网络参数共优化，模拟一次架构搜索，自动发现最有用的尺度、混合方式和算子。将LoMix集成到最新的U型架构（即PVT-V2-B2主干与EMCAD解码器）于Synapse 8器官数据集，Dice系数提升4.2个百分点于单输出监督、2.2个百分点于深度监督、1.5个百分点于等权加法融合，推理无额外开销。当训练数据稀缺时（例如仅有一两枚标记扫描），优势可达+9.23%。在四个基准和多种U型网络上，LoMix在单输出监督上提升Dice系数最高可达+13.5%，证明可学习的加权混合尺度融合在广泛适用且数据高效，全程可解释且推理无额外开销。我们的代码已公开于 https://github.com/SLDGroup/LoMix。